-
Notifications
You must be signed in to change notification settings - Fork 6
/
DownscalePT_Blocks_V1.0.r
271 lines (210 loc) · 9.05 KB
/
DownscalePT_Blocks_V1.0.r
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
# Packages to be used
library(dplyr)
library(lubridate)
library(qmap)
library(zoo)
library(latticeExtra)
library(xlsx)
library(readxl)
# Indicar la carpeta que contiene a las estaciones
setwd('D:/downscaling/')
# llamamos a los archivos historicos
data_pr_his <- read_excel("Histórico_Est.xlsx")
data_tmax_his <- read_excel("Tmáx_esta.xlsx")
data_tmin_his <- read_excel("Tmín_esta.xlsx")
#============================================================================
# Configurar segun la data
## Numero de variables
n_var <- 3
## Nombre del archivo de la data modelada que sigue despues del texto 'RCP4585'
vec_var_2 <- c('TASMAX','TASMIN','PR')
## Nombre resumen de la variable (recomiendo dejar como esta)
vec_var_3 <- c('MAX','MIN','PR')
## Fijar las fechas historicas
fecha_in_his <- as.Date('1980-01-01')
fecha_fin_his <- as.Date('2009-12-31')
## Fijar las fechas de los bloques
fecha_in_1 <- as.Date('2010-01-01')
fecha_fin_1 <- as.Date('2039-12-31')
fecha_in_2 <- as.Date('2040-01-01')
fecha_fin_2 <- as.Date('2069-12-31')
fecha_in_3 <- as.Date('2070-01-01')
fecha_fin_3 <- as.Date('2099-12-31')
## Agrupar en vector (dejar como esta)
fecha_in <- c(fecha_in_1, fecha_in_2, fecha_in_3)
fecha_fin <- c(fecha_fin_1, fecha_fin_2, fecha_fin_3)
#============================================================================
# Funci?n para generar la regionalizacion, para cada variable y para un solo bloque de tiempo
ds <- function(time_ini_his, time_fin_his, time_ini, time_fin, data_his, data_model, var){
#time_ini <- as.Date('2010-01-01')
#time_fin <- as.Date('2039-12-31')
# time_ini <- as.Date('2040-01-01')
# time_fin <- as.Date('2069-12-31')
# time_ini <- as.Date('2070-01-01')
# time_fin <- as.Date('2099-12-31')
# time_ini_his <- as.Date('1980-01-01')
# time_fin_his <- as.Date('2009-12-31')
# data_his <- var_hist
# data_model <- var_model
# var = 'PR'
# Creamos vectores con la informacion de los modelos
#name_his <- sort(names(data_his)[which(substring(names(data_his),1,3)=='his')] )
name_mod <- sort(names(data_model)[which(substring(names(data_model),1,3)=='rcp')] )
n_model <- length(name_mod)
# Creamos df vacios quienes van a contener a los resultados
df_mod <- c()
# Generamos la regionalizaci?n por tipo de proyeccion
for (j in 1:n_model) {
# configurar la variable historica
var_hist_2 <- data_his %>%
filter(FECHA >= time_ini_his & FECHA <= time_fin_his)
colnames(var_hist_2) <- c('isodate','hist')
var_hist_2 <- var_hist_2 %>%
full_join(
data.frame(isodate = seq(from=time_ini_his, to=time_fin_his, by ='day')),
by = 'isodate')
# configurar la variable del modelo
var_model_2 <- data_model[, c(which(names(data_model) == 'isodate'),
which(names(data_model) == name_mod[j]))] %>%
filter(isodate >= time_ini & isodate <= time_fin)
colnames(var_model_2) <- c('isodate','mode')
var_model_2 <- var_model_2 %>%
filter(isodate <= time_fin & isodate >= time_ini) %>%
full_join(
data.frame(isodate = seq(from=time_ini, to=time_fin, by ='day')),
by = 'isodate')
# aqui completo valores faltantes con 0.1
if (var=='PR') {
OBS_hist <- OBS_hist %>%
mutate(OBS_hist = ifelse(is.na(OBS_hist),0.1,OBS_hist))
}
if (var=='MAX' | var=='MIN') {
OBS_hist <- OBS_hist %>%
mutate(OBS_hist = ifelse(is.na(OBS_hist),15,OBS_hist))
}
# forzamos a que coincida el numero de dias para ambas series
if (nrow(var_hist_2) > nrow(var_model_2)) {
var_model_2 <- rbind(var_model_2, data.frame(isodate=Sys.Date(),mode=var_model_2[nrow(var_model_2),2]))
}
if (nrow(var_model_2) > nrow(var_hist_2)) {
var_model_2 <- var_model_2 %>%
slice(1:nrow(var_hist_2))
}
# creamos las variables a usar (solo para seguir el script de origen)
OBS_hist <- var_hist_2 %>%
rename(OBS_hist = hist)
GCM_model <- var_model_2
# aqui completo valores faltantes con 0.1
if (var=='PR') {
GCM_model <- GCM_model %>%
mutate(mode = ifelse(is.na(mode),0.1,mode))
}
if (var=='MAX' | var=='MIN') {
GCM_model <- GCM_model %>%
mutate(mode = ifelse(is.na(mode),15,mode))
}
GCM_hist <- GCM_model
data_at <- cbind(OBS_hist, GCM_model = GCM_model[,2]) %>%
read.zoo()
data_wt <- cbind(OBS_hist, GCM_hist = GCM_hist[,2]) %>%
read.zoo()
#============================================================================
# APLICACIÓN DE LA TÉCNICA DE QUANTILE MAPPING (MÉTODO EMPÍRICO)
data_wt$gcm_downscaled <- data_wt$GCM_hist
seasons_by_year <- list(c("Diciembre","Enero","Febrero"),
c("Marzo","Abril","Mayo"),
c("Junio","Julio","Agosto"),
c("Setiembre","Octubre","Noviembre"))
seasonal_qm_fit_model <- list()
## funcion de quantil maping 0.1 es a correcion, es linea
for(i in 1:4) {
obs_sl <- data_wt[months(time(data_wt)) %in% seasons_by_year[[i]]]$OBS_hist
mod_sl <- data_wt[months(time(data_wt)) %in% seasons_by_year[[i]]]$GCM_hist
#MODEL, read!: L. Gudmundsson et al. (2012)
if (sum(mod_sl, na.rm = T)==0) {
mod_sl[1]<- 0.001
}
qm_fit <- fitQmapQUANT(obs = coredata(obs_sl),
coredata(mod_sl),
qstep = 0.01,
nboot = 1,
wet.day = 0, # Adaptado para temperatuas negativas
type = "linear")
mod_sl_qmapped <- doQmapQUANT(coredata(mod_sl), qm_fit, type = "linear")
data_wt$gcm_downscaled[ months(time(data_wt)) %in%
seasons_by_year[[i]]] <- mod_sl_qmapped
seasonal_qm_fit_model[[i]] <- qm_fit
}
#============================================================================
#INTERPOLANDO LA INFORMACION EN CASO DE DATOS MENSUALES
data_at$GCM_downscaled <- data_wt$gcm_downscaled
t <- as.data.frame(data_at[,3])
if (j == 1) {
df_mod <- t
} else{
df_mod <- cbind(df_mod, t)
}
}
# agregamos losnombres correctas de las columnas
colnames(df_mod) <- name_mod
# asignamos la columna de tiempo
df_empty<- data.frame(isodate = seq(from=time_ini, to=time_fin, by ='day'))
if (nrow(df_mod)> nrow(df_empty)) {
df_mod <- df_mod %>%
slice(1:nrow(df_empty))
}
df_out <- df_empty %>%
cbind(df_mod)
return(df_out)
}
#============================================================================
files_eliminar <- c("down.R","down2.R","down3.R", "Histórico_Est.xlsx", "Tmáx_esta.xlsx", "Tmín_esta.xlsx")
estaciones <- setdiff(dir(),files_eliminar)
# Bucle para cada estacion
n_estacion <- length(estaciones)
for (estacion in 1:n_estacion) {
# Bucle para que ejecute la regionalizaci?n para cada bloque y los exporte en excel por cada variable
for (z in 1:3) {
if (vec_var_3[z]=='PR') {
# Seleccionamos el archivo de una variable
var_hist <- data_pr_his[,c('FECHA',estaciones[estacion])] %>%
mutate(FECHA= as.Date(FECHA))
mult.86400 <- function(x, na.rm=FALSE) (x*86400)
var_model <- read.csv(paste0(estaciones[estacion],'/RCP4585',vec_var_2[z],'.csv')) %>%
mutate_if(is.numeric, mult.86400, na.rm=FALSE) %>%
mutate(isodate = as.Date(isodate))
}
if (vec_var_3[z]=='MAX') {
# Seleccionamos el archivo de una variable
var_hist <- data_tmax_his[,c('FECHA',estaciones[estacion])] %>%
mutate(FECHA= as.Date(FECHA))
dif.273 <- function(x, na.rm=FALSE) (x-273.15)
var_model <- read.csv(paste0(estaciones[estacion],'/RCP4585',vec_var_2[z],'.csv')) %>%
mutate_if(is.numeric, dif.273, na.rm=FALSE) %>%
mutate(isodate = as.Date(isodate))
}
if (vec_var_3[z]=='MIN') {
# Seleccionamos el archivo de una variable
var_hist <- data_tmax_his[,c('FECHA',estaciones[estacion])] %>%
mutate(FECHA= as.Date(FECHA))
dif.273 <- function(x, na.rm=FALSE) (x-273.15)
var_model <- read.csv(paste0(estaciones[estacion],'/RCP4585',vec_var_2[z],'.csv')) %>%
mutate_if(is.numeric, dif.273, na.rm=FALSE) %>%
mutate(isodate = as.Date(isodate))
}
# Hacemos un bucle para generar la tabla en cada bloque de tiempo
list_time <- list()
for (i in 1:3) {
list_time[[i]] <- ds(fecha_in_his, fecha_fin_his, fecha_in[i], fecha_fin[i], var_hist, var_model, var = vec_var_3[z])
}
# Exportamos
name_file_out <- paste0(estaciones[estacion],'/',estaciones[estacion],'_',vec_var_3[z],'.xls')
write.xlsx(list_time[[1]], file = name_file_out,row.names = F,
sheetName = paste0(fecha_in_1,'-',fecha_fin_1), append = FALSE)
write.xlsx(list_time[[2]], file = name_file_out, row.names = F,
sheetName= paste0(fecha_in_2,'-',fecha_fin_2), append=TRUE)
write.xlsx(list_time[[3]], file = name_file_out,row.names = F,
sheetName= paste0(fecha_in_3,'-',fecha_fin_3), append=TRUE)
rm(list_time)
}
}